基于群稀疏正则化的高光谱图像去噪.pdf
《基于群稀疏正则化的高光谱图像去噪.pdf》由会员分享,可在线阅读,更多相关《基于群稀疏正则化的高光谱图像去噪.pdf(7页珍藏版)》请在咨信网上搜索。
1、收稿日期:2023-02-25摇 摇 摇 摇 摇 摇 修回日期:2023-06-27基金项目:国家自然科学基金(61971234);南京邮电大学校内基金(NY220209)作者简介:姜摇 斌(1998-),男,硕士研究生,研究方向为图像处理、深度学习;通讯作者:叶摇 军(1981-),男,副教授,研究方向为图像处理、模式识别和深度学习。基于群稀疏正则化的高光谱图像去噪姜摇 斌,叶摇 军(南京邮电大学 理学院,江苏 南京 210023)摘摇 要:高光谱图像(HSI)具有良好的光谱识别能力,但在采集过程中易受到混合噪声的污染,严重影响了后续任务的精度,因此 HSI 去噪是重要的预处理过程。针对现有
2、去噪方法对空间-光谱先验信息利用不足、条纹噪声建模不合理的问题,提出一种新的基于群稀疏正则化的高光谱图像去噪算法。该算法将干净 HSI 的空间-光谱低秩特性和各波段上条纹噪声的低秩结构融入一个新框架,实现了干净 HSI 与高强度结构化条纹噪声的分离;同时为了有效保持图像的边缘信息,在去噪模型中引入新的群稀疏正则化,即基于 L2,1范数的增强型三维全变分正则化(enhanced 3D total variation,E3DTV),充分挖掘 HSI 差分图像的稀疏先验信息,进一步提升了图像的分段平滑性。采用交替方向乘子法对变量优化求解,在仿真和真实数据集上进行数值实验表明,所提模型具有更好的去噪和
3、去条纹性能,在视觉效果和定量评价结果上都明显优于其他对比算法。关键词:高光谱图像;图像去噪;群稀疏正则化;低秩约束;条纹噪声中图分类号:TP751摇 摇 摇 摇 摇 摇 摇 文献标识码:A摇 摇 摇 摇 摇 摇 文章编号:1673-629X(2023)12-0171-07doi:10.3969/j.issn.1673-629X.2023.12.024Hyperspectral Image Denoising Based on Group Sparse RegularizationJIANG Bin,YE Jun(School of Science,Nanjing University of P
4、osts and Telecommunications,Nanjing 210023,China)Abstract:Hyperspectral image(HSI)has good spectral recognition ability,but it is easily polluted by mixed noise during the acquisitionprocess,which seriously affects the accuracy of subsequent tasks,so HSI denoising is an important preprocessing proce
5、ss.Aiming at theproblems of insufficient utilization of spatial-spectral prior information and unreasonable modeling of stripe noise in existing denoisingmethods,a new hyperspectral image denoising algorithm based on group sparse regularization is proposed.The algorithm integrates thespatial-spectra
6、l low-rank characteristics of clean HSI and the low-rank structure of stripe noise in each band into a new framework,andrealizes the separation of clean HSI and high-intensity structured stripe noise;at the same time,in order to effectively maintain the edgeinformation of the image,a new group spars
7、e regularization is introduced into the denoising model,that is,enhanced 3D total variation(E3DTV)based on the L2,1norm,which can fully explore the sparse prior information of HSI difference images.Alternate direction mul鄄tiplier method is used to optimize the solution of variables.Numerical experim
8、ents on simulation and real data sets show that the proposedmodel has better performance in denoising and destriping,and its visual effect and quantitative evaluation results are significantly betterthan that of other comparison algorithms.Key words:hyperspectral images;images denoising;group sparse
9、 regularization;low-rank constraint;stripe noise0摇 引摇 言高光谱图像(hyperspectral image,HSI)在遥感通信领域占有重要的地位,包含数十至数百个对目标区域连续的窄波段成像结果1。因含有丰富的光谱信息和全面的空间信息,HSI 在食品安全、质量控制、工业等领域有着十分广泛的应用2。但图像在采集过程中会受到各类噪声的污染,如高斯、椒盐、条纹噪声等,使得图像质量严重退化3。被混合噪声污染的 HSI 视觉效果下降,将丢失大量有用的信息,对后续应用造成非常严重的影响,因此对 HSI 进行去噪算法的研究是后续步骤实施的前提4。迄今为止,
10、许多不同的去噪方法被提出用于恢复高光谱图像。传统方法是将 HSI 看作许多二维灰度图像的叠加,对每个波段的图像单独去噪,代表方法有块第 33 卷摇 第 12 期2023 年 12 月摇 摇 摇 摇 摇 摇 摇 摇 摇 摇计 算 机 技 术 与 发 展COMPUTER TECHNOLOGY AND DEVELOPMENT摇 摇 摇 摇 摇 摇 摇 摇 摇 摇Vol.33摇 No.12Dec.摇 2023匹配三维滤波算法5、K-SVD 算法6等,然而这些方法忽略了不同光谱波段之间的强相关性,容易造成HSI 中的光谱特征失真。此外,将 HSI 空间低秩性和光谱低秩性相结合的方法也取得了显著的发展。低
11、秩矩阵恢复方法(low-rank matrix recovery,LRMR)7将张量结构的 HSI 数据沿光谱维转化为 Casorati 矩阵,再对其施加低秩约束进行去噪。但是 LRMR 方法忽略了条纹噪声的低秩结构,对于条纹噪声去除效果不佳,因此有必要在 HSI 的去噪过程中单独考虑条纹的独特低秩性质。除了全局低秩性外,局部平滑性是 HSI 的另一个重要性质。全变分(total variation,TV)8作为平滑保留的一种有效方法,通过最小化相邻像素之间的差值来实现图像去噪,如全变分正则化低秩矩阵分解方法(total-variation-regularizedlow-rankmatrixf
12、actorization,LRTV)9、增强型三维全变分正则化方法(enhanced 3D total variation,E3DTV)10。虽然这两种基于 TV 的方法能够保持图像边缘信息,但是在去除强烈混合噪声时图像空谱维的平滑性降低。针对此缺陷,文献11在低秩张量分解的框架下分别探索HSI 空间因子的群稀疏性和光谱因子的连续性,提高了 HSI 的整体平滑性。然而,上述方法仅针对空间维的群稀疏性进行恢复,没有利用光谱维的平滑性。为了充分利用 HSI 的内在先验信息并减少混合噪声产生的影响,提出新的基于群稀疏正则化的高光谱图像去噪算法。一方面,针对条纹噪声的独特低秩性质将其单独建模,提升结构
13、化条纹噪声的去除效果。另一方面,采用一种新的群稀疏正则化约束 HSI 的空间-光谱平滑性,有效保持了图像的边缘信息。该文的贡献如下:(1)综合考虑干净 HSI 和各波段上条纹噪声的低秩特性,利用 HSI 每个波段上条纹的低秩结构对条纹单独建模,解决了条纹难以与干净图像分离的问题。(2)构造一种新的群稀疏正则化,即基于 L2,1范数的 E3DTV 正则化,该正则化不仅能够有效地去除混合噪声,还提高了空谱维的平滑性。(3)采用交替方向乘子法求解所提出的模型,推导了交替迭代规则,形成了相应的算法。大量实验结果表明,提出的算法在结构化混合噪声去除、图像平滑性恢复方面都有优秀表现。1摇 高光谱模型1.1
14、摇 扩展的高光谱退化模型HSI 在成像过程中会受到高斯噪声、脉冲噪声、死线、条纹噪声等多种类型噪声的污染,现有的去噪方法7-10将矩阵形式的 HSI 退化模型表示为:Y=X+S+G(1)其中,Y 为受噪声污染的高光谱图像,X 为干净图像,S 表示稀疏噪声,G 表示高斯噪声。它们都是大小为mn 伊 p 的 Casorati 矩阵(对所有 HSI 数据列按字典顺序重新排列的矩阵),m 和 n 分别表示高光谱图像的宽和高,p 表示波段数。式 1 假设条纹噪声仅占图像的一小部分而将其归属为稀疏噪声,然而在复杂的混合噪声场景下,特别是当出现高强度结构化条纹噪声时,往往无法有效地去噪和去条纹,甚至会造成空
15、间和光谱的畸变12。因此,考虑到条纹噪声的产生和分布不同于其他类型的稀疏噪声,在式 1 的 HSI 恢复框架中对条纹噪声单独建模以利用其独特的先验信息,将式 1 扩展为:Y=X+S+G+B(2)其中,B 表示条纹噪声,大小为 mn 伊 p。去噪目标是从受损的 Y 中恢复干净的 X,优化模型表示为:argminX,S,B子f(X)+茁g(S)+姿q(B)s.t.椰Y-X-S-B椰2F臆 着,rank(X)臆 r(3)其中,子,茁,姿 是正则项参数。1.2摇 群稀疏正则化对于干净的 HSI 矩阵 X沂Rmn伊p,其沿光谱维聚合为立方体 X 沂 Rm伊n伊p,满足 X=unflod(X)和 X=fl
16、od(X),E3DTV 范数定义为:椰X椰E3DTV=移3j=1minUj,Vj椰Uj椰1s.t.jX=UjVTj,VTjVj=IUj沂 Rmn伊r,Vj沂 Rp伊r,j=1,2,3(4)式中,表示矩阵上的特殊差分算子,即:jX=unfold(Dj(X),坌j=1,2,3(5)其中,D1,D2,D3可定义为:D1=X(x+1,y,z)-X(x,y,z)D2=X(x,y+1,z)-X(x,y,z)D3=X(x,y,z+1)-X(x,y,z)(6)E3DTV 模型虽然可以保留图像边缘信息,但面对强噪声干扰时会将结构化噪声视为边缘结构而保留,图像空谱维的平滑性明显下降。因此,考虑到高光谱图像在不同波
17、段上的稀疏性是独立且不均匀的,通过探索其差分图像低秩子空间的群稀疏先验信息来进一步加强图像空谱维的平滑性,该文提出一种新的群稀疏正则化,该正则化能够较好地利用空谱维的内部联系性,提升混合噪声的去除效果以及保证空谱维的平滑性。对于干净图像 X,群稀疏正则化表述为:椰X椰GS=移3j=1minUj,Vj椰 Wj已fold(Uj)椰2,1s.t.jX=UjVTj,VTjVj=I271摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 计算机技术与发展摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 第 33 卷Uj沂 Rmn伊r,Vj沂 Rp伊r
18、,j=1,2,3(7)其中,Wj(j=1,2,3)表示权重张量,作用是进一步促进 X 的群稀疏性;椰椰2,1表示 L2,1范数,其具体表述为 椰X椰2,1=移m,nX(m,n,:)2;已 表示分量乘积。1.3摇 基于群稀疏正则化的 HSI 去噪模型将群稀疏正则化(式 7)融入到扩展的 HSI 去噪模型(式 3)中,即:minX,S,B子 椰X椰GS+茁 椰S椰1+姿移pi=1椰Bi椰*摇 摇 s.t.椰Y-X-S-B椰2F臆 着摇 摇 rank(X)臆 r,rank(Bi)臆 rB(8)其中,Bi表示第 i 波段上的条纹噪声矩阵,正则项移pi=1椰Bi椰*用于描述条纹噪声的低秩性;r 和 rB
19、分别表示干净 HSI 矩阵 X、条纹噪声矩阵 Bi的上界秩;椰S椰1表示 S 的稀疏先验。2摇 基于交替方向乘子法的算法求解采用交替方向乘子法(ADMM)13求解所提出的HSI 去噪和去条纹模型,首先将式 8 转化为 Lagrange函数:L(X,S,B,Uj,Vj,Nj,撰)=子移3j=1椰 Wj已fold(Uj)椰2,1+茁 椰S椰1+姿移pi=1椰 Bi椰*+移3j=1掖Nj,jX-UjVTj业+滋2椰 jX-UjVTj椰2F+掖撰,Y-X-S-B业+滋2椰Y-X-S-B椰2F(9)式中,撰 和 Nj(j=1,2,3)是拉格朗日乘子,滋 是惩罚参数。对 Lagrange 函数中的某一变量
20、迭代优化而其余变量单步固定的方法对式 9 进行求解。在第 k+1次迭代中,按如下方式更新变量:(1)更新变量 X。X(k+1)的解可以通过式 10 获得:(移3j=1Tjj+I)X(k+1)=移3j=1Tj(UjVTj)(k)-摇 摇N(k)j滋)+Y-S(k)-B(k)+撰(k)滋(10)其中,Tj表示 j的转置算子,式 10 可以通过快速傅里叶变换14进行求解:X(k+1)=F-1(F(fold(Y-S(k)-B(k)+撰(k)滋)+H1+移3j=1F(j)2)(11)其中,H=移3j=1F(j)*已F(fold(UjVTj)(k)-N(k)j滋),F()表示快速傅里叶变换算子,F-1()
21、表示其逆变换,1 表示所有元素为 1 的张量,2表示张量逐元素平方运算。(2)更新变量 Uj,Vj(j=1,2,3)。首先,固定其他变量,U(k+1)j可以表示为:U(k+1)j=argminUj子 椰Wj已fold(Uj)椰2,1+滋2椰 jX(k+1)-UjV()Tj(k)+N(k)j滋椰2F(12)式 12 可以使用 shrink 算子11来求解,即:U(k+1)j(m,n,:)=shrink2,1(U(k)j(m,n,:),Wj(m,n)子滋)(13)其中,U(k)j=jX(k+1)+N(k)j滋。shrink 算子的定义如下:shrink2,1(x,驻)=椰x椰2-驻椰x椰2,if
22、驻 啄X+啄,if X -啄0,otherwise(22)最后,更新拉格朗日乘子:N(k+1)j=N(k)j+滋(jX(k+1)-U(k+1)j(VTj)(k+1)撰(k+1)=撰(k)+滋(Y-X(k+1)-S(k+1)-B(k+1)(23)算法 1:高光谱图像去噪算法输入:含噪高光谱图像 Y,秩 r 和 rB,最大迭代步数 kmax,迭代停止条件 着,正则项参数 子,茁 和 姿初始化:X=S=B=0,撰=0,N1=N2=N3=0,籽=1郾 2,滋=0.05,滋max=106令 k=k+1,迭代下列步骤:(1)根据式 11,更新 X(2)根据式 13 和式 15,更新 Uj,Vj(j=1,2
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 稀疏 正则 光谱 图像
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,个别因单元格分列造成显示页码不一将协商解决,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。